本公開涉及數(shù)據(jù)挖掘領(lǐng)域，尤其涉及一種概率的預(yù)測方法及裝置。
背景技術(shù)：
：數(shù)據(jù)挖掘是數(shù)據(jù)庫知識發(fā)現(xiàn)(knowledge-discoveryindatabases，kdd)中的一個步驟。數(shù)據(jù)挖掘一般是指從大量的數(shù)據(jù)中通過算法搜索隱藏于其中信息的過程。機器學(xué)習(xí)作為數(shù)據(jù)挖掘的重要工具已經(jīng)在預(yù)測單一事件的發(fā)生概率上取得了長足發(fā)展，并被廣泛應(yīng)用于各類業(yè)務(wù)場景。相關(guān)技術(shù)中，利用預(yù)測模型針對特定的事件的發(fā)生概率進(jìn)行預(yù)測。但是，當(dāng)預(yù)測條件發(fā)生改變時，需要重復(fù)利用訓(xùn)練樣本訓(xùn)練預(yù)測模型，以此來針對不同的預(yù)測條件進(jìn)行預(yù)測，增加了系統(tǒng)負(fù)擔(dān)，且預(yù)測結(jié)果的準(zhǔn)確程度低。技術(shù)實現(xiàn)要素：為克服相關(guān)技術(shù)中存在的問題，本公開提供一種概率的預(yù)測方法及裝置。根據(jù)本公開實施例的第一方面，提供一種概率的預(yù)測方法，包括：根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)；根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序；根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)；根據(jù)待預(yù)測對象的特征以及各個特征的權(quán)重確定所述待預(yù)測對象的分?jǐn)?shù)；根據(jù)所述待預(yù)測對象的分?jǐn)?shù)以及所述預(yù)測函數(shù)，對所述待預(yù)測對象的對象值符合所述預(yù)測條件的概率進(jìn)行預(yù)測。對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)，包括：獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括n個訓(xùn)練樣本，其中，n為正整數(shù)；根據(jù)各個訓(xùn)練樣本的特征，確定各個訓(xùn)練樣本對應(yīng)的特征向量，其中，各個特征向量分別包括m個特征，m為正整數(shù)；根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量，確定各個特征的權(quán)重；根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量和各個特征的權(quán)重，分別確定各個訓(xùn)練樣本的分?jǐn)?shù)。對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量，確定各個特征的權(quán)重，包括：將所述訓(xùn)練樣本集中的各個訓(xùn)練樣本分別與其他各個訓(xùn)練樣本組成樣本對；確定各個樣本對中兩個訓(xùn)練樣本對應(yīng)的特征向量的向量差；根據(jù)各個樣本對對應(yīng)的向量差，確定各個特征的權(quán)重。對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)各個樣本對對應(yīng)的向量差，確定各個特征的權(quán)重，包括：采用式1和式2確定各個特征的權(quán)重；其中，m表示樣本對的數(shù)量，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，wt表示w的轉(zhuǎn)置向量，xl表示所述訓(xùn)練樣本集中的第l個訓(xùn)練樣本對應(yīng)的特征向量，xr表示所述訓(xùn)練樣本集中的第r個訓(xùn)練樣本對應(yīng)的特征向量，1≤l≤n，1≤r≤n，l≠r，wi表示第i次迭代計算獲得的結(jié)果，wi+1表示第i+1次迭代計算獲得的結(jié)果，1≤i≤m-1，η表示第一系數(shù)。對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量和各個特征的權(quán)重，分別確定各個訓(xùn)練樣本的分?jǐn)?shù)，包括：采用式3確定第j個訓(xùn)練樣本的分?jǐn)?shù)sj；sj＝wtxj式3；其中，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，w＝[w1,w2,...，wm]，w1...wm分別表示第1個至第m個特征的權(quán)重，wt表示w的轉(zhuǎn)置向量，xj表示第j個訓(xùn)練樣本對應(yīng)的特征向量，1≤j≤n。對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)，包括：根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值確定正樣本，其中，正樣本為樣本值符合預(yù)測條件的訓(xùn)練樣本；根據(jù)確定的正樣本擬合得到正樣本累積函數(shù)；計算所述正樣本累積函數(shù)的導(dǎo)函數(shù)；根據(jù)所述導(dǎo)函數(shù)以及各個訓(xùn)練樣本的分?jǐn)?shù)擬合得到預(yù)測函數(shù)。對于上述方法，在一種可能的實現(xiàn)方式中，根據(jù)確定的正樣本擬合得到正樣本累積函數(shù)，包括：確定第k個訓(xùn)練樣本對應(yīng)的正樣本累積值c(k)，其中，c(k)等于排序在所述第k個訓(xùn)練樣本之前的正樣本的樣本數(shù)，1≤k≤n；根據(jù)c(1)至c(n)進(jìn)行擬合，得到所述正樣本累積函數(shù)。根據(jù)本公開實施例的第二方面，提供一種概率的預(yù)測裝置，包括：訓(xùn)練樣本集獲取模塊，用于獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括n個訓(xùn)練樣本，其中，n為正整數(shù)；特征向量確定模塊，用于確定各個訓(xùn)練樣本對應(yīng)的特征向量，其中，各個特征向量分別包括m個特征，m為正整數(shù)；權(quán)重確定模塊，用于根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量，確定各個特征的權(quán)重；分?jǐn)?shù)確定模塊，用于根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量和各個特征的權(quán)重，分別確定各個訓(xùn)練樣本的分?jǐn)?shù)；排序模塊，用于根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序；正樣本累積函數(shù)確定模塊，用于根據(jù)預(yù)測閾值以及各個訓(xùn)練樣本的樣本值擬合得到正樣本累積函數(shù)；導(dǎo)函數(shù)確定模塊，用于計算所述正樣本累積函數(shù)的導(dǎo)函數(shù)；預(yù)測函數(shù)確定模塊，用于根據(jù)所述導(dǎo)函數(shù)以及各個訓(xùn)練樣本的分?jǐn)?shù)擬合得到預(yù)測函數(shù)；預(yù)測模塊，用于根據(jù)所述預(yù)測函數(shù)對待預(yù)測數(shù)據(jù)進(jìn)行預(yù)測。對于上述裝置，在一種可能的實現(xiàn)方式中，所述權(quán)重確定模塊包括：樣本對組成子模塊，將所述訓(xùn)練樣本集中的各個訓(xùn)練樣本分別與其他各個訓(xùn)練樣本組成樣本對，其中，各個樣本對的左邊訓(xùn)練樣本的樣本值大于右邊訓(xùn)練樣本的樣本值，各個樣本對互不相同；向量差確定子模塊，確定各個樣本對的左邊訓(xùn)練樣本對應(yīng)的特征向量與右邊訓(xùn)練樣本對應(yīng)的特征向量的向量差；權(quán)重確定子模塊，根據(jù)各個樣本對對應(yīng)的向量差，確定各個特征的權(quán)重。對于上述裝置，在一種可能的實現(xiàn)方式中，所述權(quán)重確定子模塊用于：采用式1和式2確定各個特征的權(quán)重；其中，m表示樣本對的數(shù)量，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，wt表示w的轉(zhuǎn)置向量，xl表示所述訓(xùn)練樣本集中的第l個訓(xùn)練樣本對應(yīng)的特征向量，xr表示所述訓(xùn)練樣本集中的第r個訓(xùn)練樣本對應(yīng)的特征向量，1≤l≤n，1≤r≤n，l≠r，wi表示第i次迭代計算獲得的結(jié)果，wi+1表示第i+1次迭代計算獲得的結(jié)果，1≤i≤m-1，η表示第一系數(shù)。對于上述裝置，在一種可能的實現(xiàn)方式中，所述分?jǐn)?shù)確定模塊用于：采用式3確定第j個訓(xùn)練樣本的分?jǐn)?shù)sj；sj＝wtxj式3；其中，w＝[w1,w2,…,wm]，w1…wm分別表示第1至第m個特征的權(quán)重，wt表示w的轉(zhuǎn)置向量，xj表示第j個訓(xùn)練樣本對應(yīng)的特征向量，1≤j≤n。對于上述裝置，在一種可能的實現(xiàn)方式中，所述排序模塊用于：按照分?jǐn)?shù)由大到小的順序?qū)Ω鱾€訓(xùn)練樣本進(jìn)行排序。對于上述裝置，在一種可能的實現(xiàn)方式中，所述正樣本累積函數(shù)確定模塊包括：正樣本累積值確定子模塊，用于確定第k個訓(xùn)練樣本對應(yīng)的正樣本累積值c(k)，其中，c(k)等于排序在所述第k個訓(xùn)練樣本之前的各個訓(xùn)練樣本中樣本值大于所述預(yù)測閾值的訓(xùn)練樣本數(shù)，1≤k≤n；正樣本累積函數(shù)擬合子模塊，用于根據(jù)c(1)至c(n)進(jìn)行擬合，得到所述正樣本累積函數(shù)。對于上述裝置，在一種可能的實現(xiàn)方式中，所述預(yù)測模塊包括：分?jǐn)?shù)確定子模塊，用于根據(jù)所述待預(yù)測數(shù)據(jù)對應(yīng)的特征向量以及各個特征的權(quán)重，確定所述待預(yù)測數(shù)據(jù)的分?jǐn)?shù)；預(yù)測結(jié)果確定子模塊，用于根據(jù)所述待預(yù)測數(shù)據(jù)的分?jǐn)?shù)以及所述預(yù)測函數(shù)，確定預(yù)測結(jié)果。根據(jù)本公開實施例的第三方面，提供一種概率的預(yù)測裝置，包括：處理器；用于存儲處理器可執(zhí)行指令的存儲器；其中，所述處理器被配置為：根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)；根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序；根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)；根據(jù)待預(yù)測對象的特征以及各個特征的權(quán)重確定所述待預(yù)測對象的分?jǐn)?shù)；根據(jù)所述待預(yù)測對象的分?jǐn)?shù)以及所述預(yù)測函數(shù)，對所述待預(yù)測對象的對象值符合所述預(yù)測條件的概率進(jìn)行預(yù)測。根據(jù)本公開實施例的第四方面，提供計算機可讀存儲介質(zhì)，其上存儲有計算機指令，該指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。本公開根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序，根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)，根據(jù)待預(yù)測對象的特征以及各個特征的權(quán)重確定待預(yù)測對象的分?jǐn)?shù)，根據(jù)待預(yù)測對象的分?jǐn)?shù)以及預(yù)測函數(shù)，對待預(yù)測對象的對象值符合預(yù)測條件的概率進(jìn)行預(yù)測，由此保存了訓(xùn)練樣本的樣本值之間的大小關(guān)系，使預(yù)測函數(shù)針對所有的預(yù)測條件都保持有良好的預(yù)測能力，不受預(yù)測條件的影響和限制；同時，在預(yù)測條件改變的情況下，不需要重新對訓(xùn)練樣本進(jìn)行排序，簡化了預(yù)測函數(shù)的訓(xùn)練過程，節(jié)省了大量的系統(tǒng)資源和時間成本。應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開。附圖說明此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實施例，并與說明書一起用于解釋本公開的原理。圖1是根據(jù)一示例性實施例示出的一種概率的預(yù)測方法的流程圖。圖2是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法步驟s11的流程圖。圖3是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法步驟s23的流程圖。圖4是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法步驟s14的流程圖。圖5a是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法中正樣本累積函數(shù)的示意圖。圖5b是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法中正樣本累積函數(shù)的導(dǎo)函數(shù)的示意圖。圖5c是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法中預(yù)測函數(shù)的示意圖。圖6是根據(jù)一示例性實施例示出的一種概率的預(yù)測裝置的框圖。圖7是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測裝置的框圖。圖8是根據(jù)一示例性實施例示出的一種用于概率的預(yù)測的裝置800的框圖。圖9是根據(jù)一示例性實施例示出的一種用于概率的預(yù)測的裝置1900的框圖。具體實施方式這里將詳細(xì)地對示例性實施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本公開相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。圖1是根據(jù)一示例性實施例示出的一種預(yù)測方法的流程圖，如圖1所示，該方法包括步驟s11至s15。在步驟s11中，根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)。作為本實施例的一個示例，可以通過邏輯回歸模型，確定各個訓(xùn)練樣本特征的權(quán)重。作為本實施例的一個示例，可以根據(jù)各個訓(xùn)練樣本的特征確定訓(xùn)練樣本的特征向量，根據(jù)各個特征的權(quán)重確定訓(xùn)練樣本的權(quán)重向量，并可以根據(jù)訓(xùn)練樣本的特征向量和訓(xùn)練樣本的權(quán)重向量的內(nèi)積確定該訓(xùn)練樣本的分?jǐn)?shù)。在步驟s12中，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序；在一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序，可以包括：按照分?jǐn)?shù)由大到小的順序?qū)Ω鱾€訓(xùn)練樣本進(jìn)行排序。在另一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序，可以包括：按照分?jǐn)?shù)由小到大的順序?qū)Ω鱾€訓(xùn)練樣本進(jìn)行排序。在另一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序，可以包括：對分?jǐn)?shù)進(jìn)行歸一化處理；按照歸一化處理后的分?jǐn)?shù)從大到小的順序?qū)Ω鱾€訓(xùn)練樣本進(jìn)行排序。在另一種可能的實現(xiàn)方式中，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序，可以包括：對分?jǐn)?shù)進(jìn)行歸一化處理；按照歸一化處理后的分?jǐn)?shù)從小到大的順序?qū)Ω鱾€訓(xùn)練樣本進(jìn)行排序。需要說明的是，本領(lǐng)域技術(shù)人員可以根據(jù)需要選擇不同的方式對分?jǐn)?shù)進(jìn)行歸一化處理，在此不做限定。在步驟s13中，根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)。作為本實施例的一個示例，預(yù)測條件可以為待預(yù)測對象的對象值大于預(yù)測閾值。例如，當(dāng)預(yù)測用戶的收入大于3000的概率的時，則，預(yù)測條件為收入大于3000，預(yù)測閾值為3000，其中，待預(yù)測對象的對象值即用戶的收入值。在一種可能的實現(xiàn)方式中，預(yù)測條件可以為待預(yù)測對象的對象值小于預(yù)測閾值。在步驟s14中，根據(jù)待預(yù)測對象的特征以及各個特征的權(quán)重確定待預(yù)測對象的分?jǐn)?shù)。作為本實施的一個示例，可以根據(jù)各個待預(yù)測對象的特征確定待預(yù)測對象的特征向量，根據(jù)各個特征的權(quán)重確定權(quán)重向量，并可以根據(jù)待預(yù)測對象的特征向量和權(quán)重向量計算得到待預(yù)測對象的分?jǐn)?shù)。其中，待預(yù)測對象與訓(xùn)練樣本具有相同的權(quán)重向量，換言之，在預(yù)測過程中，待預(yù)測對象的各個特征的權(quán)重值可以為已知常數(shù)。在步驟s15中，根據(jù)待預(yù)測對象的分?jǐn)?shù)以及預(yù)測函數(shù)，對待預(yù)測對象的對象值符合預(yù)測條件的概率進(jìn)行預(yù)測。作為本實施例的一個示例，將待預(yù)測對象的分?jǐn)?shù)代入預(yù)測函數(shù)，即可得到待預(yù)測對象的對象值符合預(yù)測條件的概率。作為本實施例的另一個示例，在預(yù)測條件改變的情況下，可以根據(jù)改變后的預(yù)測條件和已知訓(xùn)練樣本的排序結(jié)果通過上文步驟s13的方法，擬合得到針對改變后的預(yù)測條件的預(yù)測函數(shù)；并根據(jù)待預(yù)測對象的特征，通過上文步驟s14、s15的方法確定待預(yù)測對象的對象值符合改變后的預(yù)測條件的概率。本實施例根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序，根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)，根據(jù)待預(yù)測對象的特征以及各個特征的權(quán)重確定待預(yù)測對象的分?jǐn)?shù)，根據(jù)待預(yù)測對象的分?jǐn)?shù)以及預(yù)測函數(shù)，對待預(yù)測對象的對象值符合預(yù)測條件的概率進(jìn)行預(yù)測。本實施例保存了訓(xùn)練樣本的樣本值之間的大小關(guān)系，使預(yù)測函數(shù)針對所有的預(yù)測條件都保持有良好的預(yù)測能力，不受預(yù)測條件的影響和限制；同時，在預(yù)測條件改變的情況下，不需要重新對訓(xùn)練樣本進(jìn)行排序，簡化了預(yù)測函數(shù)的訓(xùn)練過程，節(jié)省了大量的系統(tǒng)資源和時間成本。圖2是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法步驟s11的流程圖，如圖2所示，步驟s11包括步驟s21至步驟s24。在步驟s21中，獲取訓(xùn)練樣本集，訓(xùn)練樣本集包括n個訓(xùn)練樣本，其中，n為正整數(shù)。其中，訓(xùn)練樣本集可以是用于訓(xùn)練模型的樣本的集合。在訓(xùn)練樣本集中，各個訓(xùn)練樣本的樣本值是已知的。在步驟s22中，根據(jù)各個訓(xùn)練樣本的特征，確定各個訓(xùn)練樣本對應(yīng)的特征向量，其中，各個特征向量分別包括m個特征，m為正整數(shù)。在本實施例中，各個訓(xùn)練樣本的所有特征的特征值可以用該訓(xùn)練樣本對應(yīng)的特征向量來表示。例如，訓(xùn)練樣本具有m個特征，則該訓(xùn)練樣本可以用m維特征向量a＝(a1,a2,...，am)表示。在步驟s23中，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量，確定各個特征的權(quán)重。作為本實施例的一個示例，可以根據(jù)pwlr(pairwiselogisticregression，成對訓(xùn)練邏輯回歸)模型確定各個特征的權(quán)重。其中，pwlr模型可以為基于成對訓(xùn)練樣本對的邏輯回歸模型。在一種可能的實現(xiàn)方式中，可以根據(jù)lr(logisticregression，邏輯回歸)模型確定各個特征的權(quán)重。需要說明的是，本領(lǐng)域技術(shù)人員可以根據(jù)需要利用不同的模型(例如貝葉斯預(yù)測模型等)確定各個特征的權(quán)重，在此不做限定。在步驟s24中，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量和各個特征的權(quán)重，分別確定各個訓(xùn)練樣本的分?jǐn)?shù)。作為本實施例的一個示例，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量和各個特征的權(quán)重，分別確定各個訓(xùn)練樣本的分?jǐn)?shù)，可以包括：采用式3確定第j個訓(xùn)練樣本的分?jǐn)?shù)sj；sj＝wtxj式3；其中，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，w＝[w1,w2,…,wm]，w1…wm分別表示第1個至第m個特征的權(quán)重，wt表示w的轉(zhuǎn)置向量，xj表示第j個訓(xùn)練樣本對應(yīng)的特征向量，1≤j≤n。本實施例通過計算各訓(xùn)練樣本的分?jǐn)?shù)，有效地保存了各個訓(xùn)練樣本之間樣本值的大小關(guān)系。圖3是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法步驟s23的流程圖，如圖3所示，步驟s23包括步驟s31至s33。在步驟s31中，將訓(xùn)練樣本集中的各個訓(xùn)練樣本分別與其他各個訓(xùn)練樣本組成樣本對。在一種可能的實現(xiàn)方式中，可以通過成對訓(xùn)練(pairwise)模型將訓(xùn)練樣本集中的訓(xùn)練樣本組成樣本對，其中，各個訓(xùn)練樣本分別與其他各個訓(xùn)練樣本組對，各個樣本對的左邊訓(xùn)練樣本的樣本值大于右邊訓(xùn)練樣本的樣本值，各個樣本對互不相同。成對訓(xùn)練模型關(guān)注樣本的順序關(guān)系，將訓(xùn)練樣本集中的任意兩個訓(xùn)練樣本組成訓(xùn)練樣本對，并確定訓(xùn)練樣本對中兩個訓(xùn)練樣本的先后順序關(guān)系。作為該實現(xiàn)方式的一個示例，各個樣本對的左邊訓(xùn)練樣本的樣本值大于右邊訓(xùn)練樣本的樣本值。作為該實現(xiàn)方式的另一個示例，各個樣本對的右邊訓(xùn)練樣本的樣本值大于左邊訓(xùn)練樣本的樣本值。在另一種可能的實現(xiàn)方式中，可以通過列表訓(xùn)練(listwise)模型對訓(xùn)練樣本集中的訓(xùn)練樣本進(jìn)行排序。在一個示例性應(yīng)用場景中，例如，對用戶真實收入進(jìn)行預(yù)測，如表1所示，訓(xùn)練樣本集包括5個樣本名稱分別為a、b、c、d和e的訓(xùn)練樣本，其中訓(xùn)練樣本的樣本值可以為用戶的真實收入。表1訓(xùn)練樣本名稱樣本值特征1特征2特征3特征4特征5特征6a2000101000b1400011010c1500010010d3200100010e900011001通過成對訓(xùn)練模型，根據(jù)各個訓(xùn)練樣本的樣本值大小關(guān)系，可以將訓(xùn)練樣本a、b、c、d和e組成10個樣本對，這10個樣本對分別是：(a,b)、(a,c)、(a,e)、(b,e)、(c,b)、(c,e)、(d,a)、(d,b)、(d,c)和(d,e)。在一種可能的實現(xiàn)方式中，可以設(shè)定樣本對篩選條件，在通過成對訓(xùn)練模型將訓(xùn)練樣本集中的訓(xùn)練樣本組成樣本對之后，選擇符合樣本對篩選條件的樣本對作為訓(xùn)練預(yù)測模型的樣本對。例如，在樣本對篩選條件為樣本對中兩個訓(xùn)練樣本的樣本值之差大于500的情況下，在上述10個樣本對中，樣本對(a,b)、(a,e)、(c,e)、(d,a)、(d,b)、(d,c)和(d,e)符合樣本對篩選條件，則將樣本對(a,b)、(a,e)、(c,e)、(d,a)、(d,b)、(d,c)和(d,e)作為訓(xùn)練預(yù)測模型的樣本對。需要說明的是，本領(lǐng)域技術(shù)人員可以根據(jù)需要選擇不同的樣本對篩選條件來篩選樣本對，在此不做限定。通過篩選出樣本值差值大于指定閾值的樣本對，可以避免樣本差值過小的樣本對對排序結(jié)果產(chǎn)生的影響，由此能夠使樣本排序更好體現(xiàn)訓(xùn)練樣本值的大小關(guān)系。在步驟s32中，確定各個樣本對中兩個訓(xùn)練樣本對應(yīng)的特征向量的向量差。例如，根據(jù)表1，樣本對(a,b)中，訓(xùn)練樣本a對應(yīng)的特征向量為xa＝(1,0,1,0,0,0)，訓(xùn)練樣本b對應(yīng)的特征向量為xb＝(0,1,1,0,1,0)，則特征向量xa和特征向量xb的向量差為xa-b＝(1,-1,0,-1,0)。在步驟s33中，根據(jù)各個樣本對對應(yīng)的向量差，確定各個特征的權(quán)重。作為本實施例的一個示例，基于訓(xùn)練樣本集中的n個訓(xùn)練樣本組成m個樣本對，針對該m個樣本對的pwlr模型的公式為：y＝sigmoid(dl-r)式4其中，dl-r＝sl-sr，sl＝wtxl，sr＝wtxr，1≤l≤n，1≤r≤n，l≠r；xl表示訓(xùn)練樣本集中的訓(xùn)練樣本l對應(yīng)的特征向量，xr表示訓(xùn)練樣本集中的訓(xùn)練樣本r對應(yīng)的特征向量；訓(xùn)練樣本l和訓(xùn)練樣本r組成m個樣本對中的一個樣本對；sl表示訓(xùn)練樣本l的分?jǐn)?shù)，sr表示訓(xùn)練樣本r的分?jǐn)?shù)，dl-r表示訓(xùn)練樣本l和訓(xùn)練樣本r的分?jǐn)?shù)之差；w表示訓(xùn)練樣本集中各個訓(xùn)練樣本對應(yīng)的特征向量的共同權(quán)重向量；wt表示w的轉(zhuǎn)置向量。sigmoid函數(shù)(sigmoidfunction)是一種閾值函數(shù)，它可以將變量映射到區(qū)間[0，1]之中。sigmoid函數(shù)的公式如下式所示：根據(jù)各個樣本對對應(yīng)的向量差，確定各個特征的權(quán)重，包括：建立針對式4的對數(shù)損失函數(shù)，如式1所示：其中，1≤l≤n，1≤r≤n，l≠r；m表示樣本對的數(shù)量，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，wt表示w的轉(zhuǎn)置向量，xl表示訓(xùn)練樣本集中的訓(xùn)練樣本l對應(yīng)的特征向量，xr表示訓(xùn)練樣本集中的訓(xùn)練樣本r對應(yīng)的特征向量。基于式1，可以通過隨機梯度下降算法得到權(quán)重向量w，如式2所示：其中，wi表示第i次迭代計算獲得的結(jié)果，wi+1表示第i+1次迭代計算獲得的結(jié)果，1≤i≤m-1，η表示第一系數(shù)。本實施例通過計算得到各個特征的權(quán)重，增強了預(yù)測函數(shù)的預(yù)測能力。圖4是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法步驟s14的流程圖，如圖4所示，步驟s14包括步驟s41至s44。在步驟s41中，根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值確定正樣本，其中，正樣本為樣本值符合預(yù)測條件的訓(xùn)練樣本。在步驟s42中，根據(jù)確定的正樣本擬合得到正樣本累積函數(shù)。作為本實施例的一個示例，確定第k個訓(xùn)練樣本對應(yīng)的正樣本累積值c(k)，其中，c(k)等于排序在第k個訓(xùn)練樣本之前的正樣本的樣本數(shù)，1≤k≤n，根據(jù)c(1)至c(n)進(jìn)行擬合，得到正樣本累積函數(shù)。需要說明的是，本領(lǐng)域技術(shù)人員可以根據(jù)需要選擇不同的函數(shù)模型進(jìn)行擬合，只要擬合得到的正樣本累積函數(shù)能夠連續(xù)可導(dǎo)，并能夠很好的體現(xiàn)出正樣本累積值隨樣本數(shù)量變化的趨勢即可。在步驟s43中，計算正樣本累積函數(shù)的導(dǎo)函數(shù)。在步驟s44中，根據(jù)導(dǎo)函數(shù)以及各個訓(xùn)練樣本的分?jǐn)?shù)擬合得到預(yù)測函數(shù)。在一個示例性的應(yīng)用場景下，例如，針對用戶真實收入大于9000的概率進(jìn)行預(yù)測，如表2所示，隨機從1000個真實收入樣本中選取5個樣本作為訓(xùn)練樣本，訓(xùn)練樣本名稱分別為1、2、3、4和5。其中，訓(xùn)練樣本的樣本值可以為用戶的真實收入；各個訓(xùn)練樣本分別有10個特征，特征值在區(qū)間[0,1]中；預(yù)測條件為待預(yù)測對象的對象值大于9000。表2根據(jù)式1、式2和式3可計算得出如下結(jié)果：(1)權(quán)重向量：w＝(513.011,61.2365,-576.9,305.469,311.203-110.902,-130.758,-194.149,-240.42,-203.289)(2)訓(xùn)練樣本1、訓(xùn)練樣本2、訓(xùn)練樣本3、訓(xùn)練樣本4和訓(xùn)練樣本5的分?jǐn)?shù)：s1＝-648.2501，s2＝-346.0684，s3＝-17.3523，s4＝40.6698，s5＝172.8547。(3)根據(jù)訓(xùn)練樣本分?jǐn)?shù)從小到大的順序，對訓(xùn)練樣本1、2、3、4和5的進(jìn)行排序，得到：訓(xùn)練樣本1、訓(xùn)練樣本2、訓(xùn)練樣本3、訓(xùn)練樣本4、訓(xùn)練樣本5的排序順序。根據(jù)預(yù)測條件，可以確定正樣本為：訓(xùn)練樣本3、訓(xùn)練樣本4和訓(xùn)練樣本5。根據(jù)確定的正樣本和結(jié)果(3)中的訓(xùn)練樣本排序，可以得到如下各個訓(xùn)練樣本的正樣本累積值c(k)，其中，1≤k≤5。c(1)＝0，c(2)＝0，c(3)＝1，c(4)＝2，c(5)＝3。在本示例中，可以根據(jù)正樣本累積值c(k)隨k變化的離散點擬合正樣本累積函數(shù)?？梢允褂梅侄稳味囗検絜(o)針對正樣本累積值c(k)進(jìn)行擬合，得到正樣本累積函數(shù)。其中，o表示訓(xùn)練樣本數(shù)量，o∈(0,+∞)，要求e(o)在分段處連續(xù)、一次導(dǎo)數(shù)連續(xù)、二次導(dǎo)數(shù)連續(xù)。對分段數(shù)在擬合過程中進(jìn)行調(diào)整，選取最優(yōu)化的段數(shù)第n段作為正樣本累積函數(shù)en(o)。如式5所示：en(o)＝qno3+tno2+uno+vn式5；其中，o表示訓(xùn)練樣本數(shù)量，o∈(0,+∞)，qn為第二系數(shù)、tn為第三系數(shù)、un為第四系數(shù)、vn為第五系數(shù)。圖5a是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法中正樣本累積函數(shù)en(o)的示意圖。在本示例中，可以對正樣本累積函數(shù)en(o)進(jìn)行求導(dǎo)得到正樣本累積函數(shù)的導(dǎo)函數(shù)en′(o)。如式6所示：en′(o)＝3qno2+2tno+un式6；圖5b是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法中正樣本累積函數(shù)的導(dǎo)函數(shù)en′(o)的示意圖。在本示例中，可以根據(jù)式6和上文結(jié)果(2)中所述的排序分?jǐn)?shù)擬合得到預(yù)測函數(shù)。可以使用分段二次多項式p(s)針對式6和上文結(jié)果(2)中所述的排序分?jǐn)?shù)進(jìn)行擬合，得到預(yù)測函數(shù)。其中，要求p(s)在分段處連續(xù)、一次導(dǎo)數(shù)連續(xù)，分段與正樣本累積函數(shù)en(o)保持一致。在一種可能的實現(xiàn)方式中，可以對排序分?jǐn)?shù)進(jìn)行歸一化處理，并基于歸一化處理后的分?jǐn)?shù)擬合預(yù)測函數(shù)。例如，可以通過式7對分?jǐn)?shù)進(jìn)行歸一化處理，sn'＝sn-min(sn)/[max(sn)-min(sn)]式7。需要說明的是，本領(lǐng)域技術(shù)人員可以根據(jù)需要選擇不同的函數(shù)模型擬合預(yù)測函數(shù)，只要擬合得到的預(yù)測函數(shù)連續(xù)可導(dǎo)，并能夠恰當(dāng)?shù)捏w現(xiàn)出導(dǎo)函數(shù)與各個訓(xùn)練樣本的分?jǐn)?shù)之間的對應(yīng)關(guān)系即可。對分段數(shù)在擬合過程中進(jìn)行調(diào)整，選取最優(yōu)化的段數(shù)第n段作為預(yù)測函數(shù)pn(s)。如式8所示：pn(s)＝αns2+βns+γn式8；其中，s表示各個訓(xùn)練樣本的分?jǐn)?shù)，s∈(0,+∞)，αn表示第六系數(shù)、βn表示第七系數(shù)、γn表示第八系數(shù)。圖5c是根據(jù)一示例性實施例的一個示例示出的一種概率的預(yù)測方法中預(yù)測函數(shù)pn(s)的示意圖。在預(yù)測條件改變的情況下，可以根據(jù)該改變后的預(yù)測條件通過上文步驟s13的方法，擬合得到針對該改變后的預(yù)測條件的預(yù)測函數(shù)pn2(s)；根據(jù)待預(yù)測對象的特征向量和各個特征的權(quán)重，確定針對改變后的預(yù)測條件的分?jǐn)?shù)；并根據(jù)預(yù)測函數(shù)pn2(s)通過上文步驟s14、s15的方法確定待預(yù)測對象的對象值符合改變后的預(yù)測條件的概率。在實際應(yīng)用中，樣本特征的維度通常很高，訓(xùn)練樣本數(shù)量龐大，因此，針對不同預(yù)測條件重新利用龐大的訓(xùn)練樣本訓(xùn)練模型代價巨大，本實施例無需對訓(xùn)練樣本重新排序，僅需根據(jù)已知的樣本排序關(guān)系和預(yù)測條件擬合預(yù)測函數(shù)，可以節(jié)約大量的系統(tǒng)資源和時間成本。并且，由于基于訓(xùn)練樣本的排序關(guān)系和預(yù)測條件擬合得到預(yù)測函數(shù)，使預(yù)測函數(shù)具有更好預(yù)測區(qū)分度，準(zhǔn)確性更強。圖6是根據(jù)一示例性實施例示出的一種預(yù)測裝置的框圖。參照圖6，該裝置包括訓(xùn)練樣本分?jǐn)?shù)確定模塊121，排序模塊122、預(yù)測函數(shù)確定模塊123、待預(yù)測對象分?jǐn)?shù)確定模塊124、預(yù)測模塊125。該訓(xùn)練樣本分?jǐn)?shù)確定模塊121被配置為，根據(jù)各個訓(xùn)練樣本的特征以及各個特征的權(quán)重確定各個訓(xùn)練樣本的分?jǐn)?shù)。該排序模塊122被配置為，根據(jù)各個訓(xùn)練樣本的分?jǐn)?shù)對各個訓(xùn)練樣本進(jìn)行排序。該預(yù)測函數(shù)確定模塊123被配置為，根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值擬合得到預(yù)測函數(shù)。該待預(yù)測對象分?jǐn)?shù)確定模塊124被配置為，根據(jù)待預(yù)測對象的特征以及各個特征的權(quán)重確定待預(yù)測對象的分?jǐn)?shù)。該預(yù)測模塊125被配置為，根據(jù)待預(yù)測對象的分?jǐn)?shù)以及預(yù)測函數(shù)，對待預(yù)測對象的對象值符合預(yù)測條件的概率進(jìn)行預(yù)測。圖7是根據(jù)一示例性實施例的一個示例示出的一種預(yù)測裝置的框圖。該裝置可以運行圖1至圖5所示的預(yù)測方法。為了便于說明，在圖中僅展示出了與本實施例相關(guān)的部分。圖6中標(biāo)號與圖7相同的組件具有相同的功能，為了簡明起見，省略對這些組件的詳細(xì)說明。如圖7所示：在一種可能的實現(xiàn)方式中，所述訓(xùn)練樣本分?jǐn)?shù)確定模塊121包括訓(xùn)練樣本獲取子模塊1211、特征向量確定子模塊1212、權(quán)重確定子模塊1213和訓(xùn)練樣本分?jǐn)?shù)確定子模塊1214。該訓(xùn)練樣本獲取子模塊1211被配置為，獲取訓(xùn)練樣本集，訓(xùn)練樣本集包括n個訓(xùn)練樣本，其中，n為正整數(shù)。該特征向量確定子模塊1212被配置為，根據(jù)各個訓(xùn)練樣本的特征，確定各個訓(xùn)練樣本對應(yīng)的特征向量，其中，各個特征向量分別包括m個特征，m為正整數(shù)。該權(quán)重確定子模塊1213被配置為，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量，確定各個特征的權(quán)重。該訓(xùn)練樣本分?jǐn)?shù)確定子模塊1214被配置為，根據(jù)各個訓(xùn)練樣本對應(yīng)的特征向量和各個特征的權(quán)重，分別確定各個訓(xùn)練樣本的分?jǐn)?shù)。在一種可能的實現(xiàn)方式中，所述權(quán)重確定子模塊1213包括樣本對確定子模塊、向量差確定子模塊和權(quán)重計算子模塊。該樣本對確定子模塊被配置為將所述訓(xùn)練樣本集中的各個訓(xùn)練樣本分別與其他各個訓(xùn)練樣本組成樣本對。該向量差確定子模塊被配置為確定各個樣本對中兩個訓(xùn)練樣本對應(yīng)的特征向量的向量差。該權(quán)重計算子模塊被配置為根據(jù)各個樣本對對應(yīng)的向量差，確定各個特征的權(quán)重。在一種可能的實現(xiàn)方式中，所述權(quán)重計算子模塊被配置為：采用式1和式2確定各個特征的權(quán)重；其中，m表示樣本對的數(shù)量，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，wt表示w的轉(zhuǎn)置向量，xl表示所述訓(xùn)練樣本集中的第l個訓(xùn)練樣本對應(yīng)的特征向量，xr表示所述訓(xùn)練樣本集中的第r個訓(xùn)練樣本對應(yīng)的特征向量，1≤l≤n，1≤r≤n，l≠r，wi表示第i次迭代計算獲得的結(jié)果，wi+1表示第i+1次迭代計算獲得的結(jié)果，1≤i≤m-1，η表示第一系數(shù)。在一種可能的實現(xiàn)方式中，訓(xùn)練樣本分?jǐn)?shù)確定子模塊1214被配置為，采用式3確定第j個訓(xùn)練樣本的分?jǐn)?shù)sj：sj＝wtxj式3；其中，w表示各個訓(xùn)練樣本對應(yīng)的特征向量共同的權(quán)重向量，w＝[w1,w2,...，wm]，w1...wm分別表示第1個至第m個特征的權(quán)重，wt表示w的轉(zhuǎn)置向量，xj表示第j個訓(xùn)練樣本對應(yīng)的特征向量，1≤j≤n。在一種可能的實現(xiàn)方式中，所述預(yù)測函數(shù)確定模塊123包括正樣本確定子模塊1231、正樣本累積函數(shù)確定子模塊1232、導(dǎo)函數(shù)確定子模塊1233和預(yù)測函數(shù)確定子模塊1234。該正樣本確定子模塊1231被配置為根據(jù)預(yù)測條件以及排序后的各個訓(xùn)練樣本的樣本值確定正樣本，其中，正樣本為樣本值符合預(yù)測條件的訓(xùn)練樣本。該正樣本累積函數(shù)確定子模塊1232被配置為根據(jù)確定的正樣本擬合得到正樣本累積函數(shù)。該導(dǎo)函數(shù)確定子模塊1233被配置為計算所述正樣本累積函數(shù)的導(dǎo)函數(shù)。該預(yù)測函數(shù)確定子模塊1234被配置為根據(jù)所述導(dǎo)函數(shù)以及各個訓(xùn)練樣本的分?jǐn)?shù)擬合得到預(yù)測函數(shù)。在一種可能的實現(xiàn)方式中，所述正樣本累積函數(shù)確定子模塊1232包括正樣本累積值確定子模塊和正樣本累積函數(shù)擬合子模塊。該正樣本累積值確定子模塊被配置為確定第k個訓(xùn)練樣本對應(yīng)的正樣本累積值c(k)，其中，c(k)等于排序在所述第k個訓(xùn)練樣本之前的正樣本的樣本數(shù)，1≤k≤n。該正樣本累積函數(shù)擬合子模塊被配置為根據(jù)c(1)至c(n)進(jìn)行擬合，得到所述正樣本累積函數(shù)。關(guān)于上述實施例中的裝置，其中各個模塊執(zhí)行操作的具體方式已經(jīng)在有關(guān)該方法的實施例中進(jìn)行了詳細(xì)描述，此處將不做詳細(xì)闡述說明。圖8是根據(jù)一示例性實施例示出的一種用于預(yù)測的裝置800的框圖。例如，裝置800可以是移動電話，計算機，數(shù)字廣播終端，消息收發(fā)設(shè)備，游戲控制臺，平板設(shè)備，醫(yī)療設(shè)備，健身設(shè)備，個人數(shù)字助理等。參照圖8，裝置800可以包括以下一個或多個組件：處理組件802，存儲器804，電源組件806，多媒體組件808，音頻組件810，輸入/輸出(i/o)的接口812，傳感器組件814，以及通信組件816。處理組件802通常控制裝置800的整體操作，諸如與顯示，電話呼叫，數(shù)據(jù)通信，相機操作和記錄操作相關(guān)聯(lián)的操作。處理組件802可以包括一個或多個處理器820來執(zhí)行指令，以完成上述的方法的全部或部分步驟。此外，處理組件802可以包括一個或多個模塊，便于處理組件802和其他組件之間的交互。例如，處理組件802可以包括多媒體模塊，以方便多媒體組件808和處理組件802之間的交互。存儲器804被配置為存儲各種類型的數(shù)據(jù)以支持在裝置800的操作。這些數(shù)據(jù)的示例包括用于在裝置800上操作的任何應(yīng)用程序或方法的指令，聯(lián)系人數(shù)據(jù)，電話簿數(shù)據(jù)，消息，圖片，視頻等。存儲器804可以由任何類型的易失性或非易失性存儲設(shè)備或者它們的組合實現(xiàn)，如靜態(tài)隨機存取存儲器(sram)，電可擦除可編程只讀存儲器(eeprom)，可擦除可編程只讀存儲器(eprom)，可編程只讀存儲器(prom)，只讀存儲器(rom)，磁存儲器，快閃存儲器，磁盤或光盤。電源組件806為裝置800的各種組件提供電力。電源組件806可以包括電源管理系統(tǒng)，一個或多個電源，及其他與為裝置800生成、管理和分配電力相關(guān)聯(lián)的組件。多媒體組件808包括在所述裝置800和用戶之間的提供一個輸出接口的屏幕。在一些實施例中，屏幕可以包括液晶顯示器(lcd)和觸摸面板(tp)。如果屏幕包括觸摸面板，屏幕可以被實現(xiàn)為觸摸屏，以接收來自用戶的輸入信號。觸摸面板包括一個或多個觸摸傳感器以感測觸摸、滑動和觸摸面板上的手勢。所述觸摸傳感器可以不僅感測觸摸或滑動動作的邊界，而且還檢測與所述觸摸或滑動操作相關(guān)的持續(xù)時間和壓力。在一些實施例中，多媒體組件808包括一個前置攝像頭和/或后置攝像頭。當(dāng)裝置800處于操作模式，如拍攝模式或視頻模式時，前置攝像頭和/或后置攝像頭可以接收外部的多媒體數(shù)據(jù)。各個前置攝像頭和后置攝像頭可以是一個固定的光學(xué)透鏡系統(tǒng)或具有焦距和光學(xué)變焦能力。音頻組件810被配置為輸出和/或輸入音頻信號。例如，音頻組件810包括一個麥克風(fēng)(mic)，當(dāng)裝置800處于操作模式，如呼叫模式、記錄模式和語音識別模式時，麥克風(fēng)被配置為接收外部音頻信號。所接收的音頻信號可以被進(jìn)一步存儲在存儲器804或經(jīng)由通信組件816發(fā)送。在一些實施例中，音頻組件810還包括一個揚聲器，用于輸出音頻信號。i/o接口812為處理組件802和外圍接口模塊之間提供接口，上述外圍接口模塊可以是鍵盤，點擊輪，按鈕等。這些按鈕可包括但不限于：主頁按鈕、音量按鈕、啟動按鈕和鎖定按鈕。傳感器組件814包括一個或多個傳感器，用于為裝置800提供各個方面的狀態(tài)評估。例如，傳感器組件814可以檢測到裝置800的打開/關(guān)閉狀態(tài)，組件的相對定位，例如所述組件為裝置800的顯示器和小鍵盤，傳感器組件814還可以檢測裝置800或裝置800一個組件的位置改變，用戶與裝置800接觸的存在或不存在，裝置800方位或加速/減速和裝置800的溫度變化。傳感器組件814可以包括接近傳感器，被配置用來在沒有任何的物理接觸時檢測附近物體的存在。傳感器組件814還可以包括光傳感器，如cmos或ccd圖像傳感器，用于在成像應(yīng)用中使用。在一些實施例中，該傳感器組件814還可以包括加速度傳感器，陀螺儀傳感器，磁傳感器，壓力傳感器或溫度傳感器。通信組件816被配置為便于裝置800和其他設(shè)備之間有線或無線方式的通信。裝置800可以接入基于通信標(biāo)準(zhǔn)的無線網(wǎng)絡(luò)，如wifi，2g或3g，或它們的組合。在一個示例性實施例中，通信組件816經(jīng)由廣播信道接收來自外部廣播管理系統(tǒng)的廣播信號或廣播相關(guān)信息。在一個示例性實施例中，所述通信組件816還包括近場通信(nfc)模塊，以促進(jìn)短程通信。例如，在nfc模塊可基于射頻識別(rfid)技術(shù)，紅外數(shù)據(jù)協(xié)會(irda)技術(shù)，超寬帶(uwb)技術(shù)，藍(lán)牙(bt)技術(shù)和其他技術(shù)來實現(xiàn)。在示例性實施例中，裝置800可以被一個或多個應(yīng)用專用集成電路(asic)、數(shù)字信號處理器(dsp)、數(shù)字信號處理設(shè)備(dspd)、可編程邏輯器件(pld)、現(xiàn)場可編程門陣列(fpga)、控制器、微控制器、微處理器或其他電子元件實現(xiàn)，用于執(zhí)行上述方法。在示例性實施例中，還提供了一種包括指令的非臨時性計算機可讀存儲介質(zhì)，例如包括指令的存儲器804，上述指令可由裝置800的處理器820執(zhí)行以完成上述方法。例如，所述非臨時性計算機可讀存儲介質(zhì)可以是rom、隨機存取存儲器(ram)、cd-rom、磁帶、軟盤和光數(shù)據(jù)存儲設(shè)備等。圖9是根據(jù)一示例性實施例示出的一種用于預(yù)測的裝置1900的框圖。例如，裝置1900可以被提供為一服務(wù)器。參照圖9，裝置1900包括處理組件1922，其進(jìn)一步包括一個或多個處理器，以及由存儲器1932所代表的存儲器資源，用于存儲可由處理組件1922的執(zhí)行的指令，例如應(yīng)用程序。存儲器1932中存儲的應(yīng)用程序可以包括一個或一個以上的每一個對應(yīng)于一組指令的模塊。此外，處理組件1922被配置為執(zhí)行指令，以執(zhí)行上述方法。裝置1900還可以包括一個電源組件1926被配置為執(zhí)行裝置1900的電源管理，一個有線或無線網(wǎng)絡(luò)接口1950被配置為將裝置1900連接到網(wǎng)絡(luò)，和一個輸入輸出(i/o)接口1958。裝置1900可以操作基于存儲在存儲器1932的操作系統(tǒng)，例如windowsservertm，macosxtm，unixtm,linuxtm，freebsdtm或類似。在示例性實施例中，還提供了一種包括指令的非臨時性計算機可讀存儲介質(zhì)，例如包括指令的存儲器1932，上述指令可由裝置1900的處理組件1922執(zhí)行以完成上述方法。例如，所述非臨時性計算機可讀存儲介質(zhì)可以是rom、隨機存取存儲器(ram)、cd-rom、磁帶、軟盤和光數(shù)據(jù)存儲設(shè)備等。本領(lǐng)域技術(shù)人員在考慮說明書及實踐這里公開的發(fā)明后，將容易想到本公開的其它實施方案。本申請旨在涵蓋本公開的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本公開的一般性原理并包括本公開未公開的本
技術(shù)領(lǐng)域：
中的公知常識或慣用技術(shù)手段。說明書和實施例僅被視為示例性的，本公開的真正范圍和精神由下面的權(quán)利要求指出。應(yīng)當(dāng)理解的是，本公開并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本公開的范圍僅由所附的權(quán)利要求來限制。當(dāng)前第1頁12